AI in de Polder

Door: Prof. Dr. Max Welling & Prof. Dr. Cees Snoek

De ontwikkelingen rond AI gaan razendsnel. Nieuwe AI-centra schieten als paddenstoelen uit de grond, zoals het “Innovation Center for AI” (ICAI) dat onlangs in Amsterdam werd geopend. Regeringen van naburige landen buitelen over elkaar heen met dieptevesteringen in AI technologie (Frankrijk €1.5 miljard, UK €1.3 miljard etc.), en kranten staan bol van de ethische vragen die dit alles oproept: wie garandeert onze privacy, hoe houden we een democratie overeind in een tijd van “Fake News”, roeit AI haar schepper uiteindelijk uit? Ook zijn er diepgaande effecten op de arbeidsmarkt. Dit zijn enerverende onderwerpen, maar vaak is de discussie niet geworteld in een degelijke kennis van zaken. In dit stuk willen wij graag een bijdrage leveren aan een beter begrip van de technologie zelf, en de kansen die deze biedt voor het bedrijfsleven en de maatschappij in meer algemene zin.

Laten we eerst wat populaire termen uit elkaar vlechten. Kunstmatige intelligentie (AI) gaat over machines (computers) die een zekere mate van intelligentie vertonen. Een auto die zelf een andere auto inhaalt; een aanbeveling voor een film van Netflix; een voorspelling of u uw hypotheek gaat terugbetalen, enzovoort.

Hoewel de berichten in de media misschien anders doen vermoeden is AI niet nieuw. De term duikt voor het eerst op in 1955 als een groep Amerikaanse geleerden een symposium organiseren om ideeën rond slimme machines verder te ontwikkelen. Er wordt sindsdien wereldwijd keihard op gestudeerd. De grote doorbraak is van recentere datum en is veroorzaakt door een samenkomst van razendsnelle en goedkope rekenkracht, een enorme hoeveelheid data die door smartphones en het Internet alom aanwezig zijn, en een nieuwe manier van machines slim maken.

Je kan een machine slim maken door er heel veel regeltjes handmatig in te programmeren. Een hedendaagse auto heeft er wel 100 miljoen van. Moderne AI software her-programmeert zichzelf echter continu door naar voorbeelden, in de vorm van data, te kijken. We noemen dit machine learning. Zoals de hersenen van een kind continu leren van ervaringen, zo kan moderne AI-software zich verbeteren aan de hand van “big data”. Data is de brandstof van AI. Decennia hebben mensen zelf de observaties bedacht die ze aan een machine learning algoritme aanbieden. Maar onze verbeeldingskracht schiet vrijwel altijd te kort. Geef de computer alleen de meest ruwe data grondstof (bijvoorbeeld de pixels van een beeld) en laat het algoritme zelf bedenken wat zij daaruit destilleert.

We kunnen machine learning ruwweg indelen in drie categorieën: supervised, unsupervised en reinforcement learning. Om bij de analogie van een lerend kind te blijven, in supervised learning geven we het algoritme de metingen, bijvoorbeeld een MRI scan van een brein, en het antwoord dat we proberen te voorspellen, bijvoorbeeld of de persoon over vijf jaar Alzheimer ontwikkelt. Het machine learning algoritme leert nu om patronen te herkennen in de scan die voorspellend zijn voor Alzheimer. Menselijke doctoren kijken ook naar patronen, zogenaamde biomarkers, zoals de grootte van het hersengebied hippocampus, maar het is gebleken dat algoritmen veel complexere patronen kunnen ontdekken dan mensen, wat resulteert in een nauwkeurigere diagnose. In 2017 hebben computers bijvoorbeeld in een competitie op overtuigende wijze doktoren verslagen in het voorspellen van huidziekten en tumoren aan de hand van medische beelden.

De tweede vorm van leren is unsupervised. Hier geven we alleen de metingen maar niet de antwoorden. Het algoritme wordt louter gevraagd om patronen te ontdekken in de data. Dit is bijvoorbeeld nuttig om vroegtijdig te detecteren of een machine afwijkend gedrag begint te vertonen, om zo nog voordat het defect zich werkelijk voordoet alarm te slaan (predictive maintenance). Neem bijvoorbeeld een vliegtuigmotor. Die zitten volgepakt met sensoren. Het is essentieel dat een vliegtuigmaatschappij het op hand zijnde defect detecteert voordat het vliegtuig passagiers boven de oceaan aan het vervoeren is.

De derde vorm is reinforcement leren. Hier kan het algoritme interactie hebben met haar omgeving: een robot die dingen kan oppakken of een chatbot die dingen kan zeggen. Dit geeft een heel nieuwe dimensie aan het leerprocess. Net zoals spelende kinderen kan het algoritme nu experimenteren in de echte wereld. Wat werkt en wat werkt niet? Moet ik eerst investeren in het verzamelen van informatie of moet ik direct de vruchten plukken van mijn kennis? Deze vorm van leren ligt ten grondslag aan het beroemde programma AlphaZero van DeepMind, met de nuance dat deze experimenteert in simulaties. Je zet ‘s avond voor je naar bed gaat het leeralgoritme aan en ‘s morgens als je wakker wordt veegt het algoritme je van het GO-bord. Reinforcement learning kan op heel veel vlakken worden toegepast. Denk aan een auto die zelf moet leren rijden. Of een robot die IKEA meubilair in elkaar kan knutselen. Maar ook: een systeem dat de kortste routes uitstippelt voor de bezorgingsdienst van Albert Heijn.

Machine learning heeft klassieke AI problemen zoals beeldherkenning en taalverwerking al razendsnel veranderd. AI software kan foto’s niet alleen beter categoriseren dan de mens, zij kan dat ook al razendsnel op een gemiddelde smartphone. Meer geavanceerde toepassingen richten zich nu op het inspecteren van landbouwgewassen om te bepalen welke meer water, kunstmest of bestrijdingsmiddelen nodig hebben. Of het assisteren van surveillanten die videobeelden monitoren van luchthavens, treinstations of andere plaatsen waar veel mensen samenkomen. Ook voor het scannen van miljoenen afbeeldingen van staal-oppervlaktes op de aanwezigheid van productiefouten draait AI zijn hand niet meer om. Op het gebied van taal begint AI de mens eveneens te evenaren. Sinds 2011 begrijpt uw telefoon moeiteloos wat u zegt. Dezelfde technologie heeft meer recentelijk geresulteerd in Amazon’s Alexa die uw aankopen voor u regelt door uw gesproken opdracht. Microsoft gaat in Skype nog een stapje verder: de gesproken tekst wordt ook nog real-time voor u vertaald. Star-Trek’s universal translator wordt werkelijkheid. Recent werd zelfs aangetoond dat een foto naar een zin ‘vertaald’ kan worden, en vice versa.

Wat heeft de toekomst nog in petto? Veel meer dan we hier kunnen opsommen of zelfs maar bedenken. Maar het is wel duidelijk dat AI nog in de kinderschoenen staat als het gaat om redeneren. In 2011 schreef de Nobelprijswinnaar Daniel Kahneman een prachtig boek over “Thinking, Fast and Slow” waarin twee verschillende manieren van denken worden uitgewerkt. AI is vandaag de dag goed in “fast thinking”: het snel analyseren van ruwe datastromen, maar nog niet zo goed in “slow thinking”: het combineren van een enorme berg informatie tot een ingewikkelde redenatie. Neem als voorbeeld de recommender van uw favoriete online winkel. Deze redeneert aan de hand van uw historische koopgedrag, uw sociale netwerk connecties, en de context waarin u zich nu bevindt welk product het u moet laten zien. In de toekomst worden dat chatbots die een goed gesprek met u kunnen voeren en uw leven helpen optimaliseren.

AI penetreert echt overal in de maatschappij. De lijst met toepassingen zou vele pagina’s kunnen beslaan. Zij zal, net als elektriciteit en het internet, in alle sectoren binnendringen en deze radicaal transformeren. Wij moeten nu aan de slag in de Nederlandse polder om deze transformatie te bewerkstelligen en er voor zorgen dat we de aansluiting met de VS, China, Canada en de ons omringende landen niet missen. De kans ligt er, Nederland heeft alle benodigde troeven om een prominente plaats in de internationale AI-arena te bekleden. We hebben talent, we hebben onderzoek van wereldklasse, we hebben een lange traditie in AI-onderwijs op alle niveaus en we hebben multinationals met wereldfaam. Onze visie is om dit samen te doen, met kennisinstellingen, overheid en bedrijfsleven. En met oog voor de ethische en maatschappelijke aspecten van AI. Samen kunnen we de concurrentie aan.

Prof. Dr. Max Welling is hoogleraar in Machine Learning bij de Universiteit van Amsterdam en een Vice President Technologies bij Qualcomm. Aan de UvA leidt hij het Amsterdam Machine Learning Lab (AMLAB), en geeft mede leiding aan het Qualcomm-UvA Deep Learning Lab (QUVA) en het Bosch-UvA Deep Learning Lab (DELTA). Hij is mede-oprichter van het nationale Innovation Center for Artificial Intelligence.
m.welling@uva.nl

Prof. Dr. Cees Snoek leidt het Intelligent Sensory Information Systems Lab en geeft mede leiding aan het Qualcomm-UvA Deep Learning Lab (QUVA), beide bij de Universiteit van Amsterdam. Daarnaast is hij Chief Scientific Officer bij Kepler Vision Technologies. Hij is mede-oprichter van het nationale Innovation Center for Artificial Intelligence.
cgmsnoek@uva.nl



Niet gevonden? Vraag het de redactie!

Heeft u het antwoord op uw vraag niet gevonden, of bent u op zoek naar specifieke informatie? Laat het ons weten! Dan zorgen we ervoor dat deze content zo snel mogelijk wordt toegevoegd, of persoonlijk aan u wordt geleverd!

Stel uw vraag